应该注意的网站设计的四点矛盾

因为工作需要,昨晚将另一位网页设计师的设计作品生成了页面,折腾了一通宵,我脑细胞成几何倍数减少,完成了工作,不免有些牢骚要发。

  我认为网站是为人民服务的,网站的优劣,内容是关键,而设计能排在第二就不错了。一个网站的设计不仅需要的是美观,更需要的是配合内容的编排以及其它更多方面,例如浏览速度及浏览方便性。如果您同意以上观点,请继续看下文。

  因为网站的设计不仅需要美观,所以产生了不少矛盾,挑几个主要的矛盾来分析:

  一、 background背景图像的矛盾

  由于千篇一律的单色背景早已产生了视觉疲劳,因此出现了花纹背景,例如用点、线、面组成的背景,通常这种背景都是做成10*10px (或其它)的方形大小。再受韩潮影响,目前应用广泛的是渐变背景,由于分辨率的关系,通常采用上下渐变,左右渐变不可取。问题来了,上下渐变在Photoshop(做网页设计的常用软件)中只需要简单的使用渐变工具拉动一下即可,但是作为网页设计师的你有没有想过在页面中这种背景应该如何去做?分成上下2个背景,或者做一个超级长估计要在3000px以上的背景?(可以参看我的博客首页背景http://blog.sina.com.cn/m/baopin)因此在做这种背景的时候,需要仔细考虑页面该如何去生成。

  二、 适应分辨率的矛盾

  为适应分辨率,最佳方法应该是整个页面采用100%自适应表格,这种网站让800*600及以上分辨率的彩显都能整屏幕最佳效果浏览,这样的制作方法在为数不多的几个网站上出现过。但是这种方法必然需要最少的图片及最多的216安全色及最精简的表格。目前这样的网站不怎么能满足客户的设计要求。

  在国内,网站通常都在750-780px的宽度之间,这样做的目的是为了适应800*600及以上分辨率的彩显浏览网站。OK,矛盾出现了,中间是780px的宽度,但是通常设计师会加上描边或者投影的效果,做为设计师的你,有没有把这个尺寸算进去?更有甚者,中间的内容是780px 两边采用长达30px的投影,再加上前面第一点提到的渐变背景,好了,你想让生成页面的工作人员自杀吗?请你在做这样的设计时候为后面的生成页面工作考虑一下。

  三、 网页216安全色的矛盾

  所谓网页安全色是指在不同硬件环境、不同操作系统、不同浏览器中都能够正常显示的颜色,也就是说这些颜色在任何用户显示设备上的显示效果都是相同的。所以使用216网页安全色进行网页设计可以最大限度避免颜色失真的问题。

  但是通常216个色彩不怎么能满足网页设计师的设计,随便一个渐变已经超出了这个范围,矛盾又出现了。请尽量将非网页完全色做在图片上,也就是说将非网页安全色做成图片,而将安全色做为代码,这样尽可能使网站拥有美观及快速。如果碰到一个网页设计师的设计作品,从上到下、从内到外、从文字到图片都没有1个安全色,你会怎么做?我昨天就遇到了。难道让我把所有的文字都做成图片?那这个网站还需要更新吗?程序员又该如何做?如果你是这样设计网站的,请改改这种毛病。

  四、 象素与羽化的矛盾

  象素和羽化应用都非常广泛,但是某些地方却产生了矛盾。举个例子,在一个带有图片背景的表格上,有一个翻转图片的按钮(鼠标经过变换图片),而这个按钮并不需要一定做成方形,为了整体效果,你也许会做成圆角,这个圆角如果做成象素,那么按钮可以做成方形透明背景的GIF,这样不会有任何问题,但作为设计师的你,也许会做成羽化的圆角,问题出现了,这个按钮是一定要用JPG或者非透明背景的GIF了,那么一旦需要更改此表格的背景色,这个按钮的两张图片也需要更改。所以在设计到圆角这种效果的时候,用象素还是用羽化,你要考虑清楚了。

  “实践检验真理”,你想成为一个优秀的网页设计师,那么请多去把你的设计作品做成页面,这样你会发现很多设计中的问题。单纯的做一个美观的网页设计并不难,难在如何将美观与实际页面相结合。时间仓促,胡乱写下上面的文字。

作者: 星缘

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值